Melanóma felismerése mesterséges intelligencia módszerekkel
Saved in:
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | Thesis |
| Kulcsszavak: | dermatológia gépi tanulás melanóma mesterséges intelligencia neurális hálózatok |
| Online Access: | http://dolgozattar.uni-bge.hu/41037 |
MARC
| LEADER | 00000nta a2200000 i 4500 | ||
|---|---|---|---|
| 001 | dolg41037 | ||
| 005 | 20221003084727.0 | ||
| 008 | 221003suuuu hu om 000 hun d | ||
| 040 | |a BGE Dolgozattár Repozitórium |b hun | ||
| 041 | |a hu | ||
| 100 | 1 | |a Nagy Ákos Albert | |
| 245 | 1 | 0 | |a Melanóma felismerése mesterséges intelligencia módszerekkel |c Nagy Ákos Albert |h [elektronikus dokumentum] |
| 520 | 3 | |a A szakdolgozat elején igyekeztem bemutatni a bőrrákos megbetegedések típusait,kialakulásuknak okait. A kevés dermatológus szakember és a sok páciens miatt a tradicionális,ránézésre történő bőrrákvizsgálat nem elég hatékony, egyéb megoldásokra is szükség van avizsgálat sebességének, és pontosságának javítása érdekében.Az INNObyte Informatika Zrt.-nél töltött szakmai gyakorlatom alatt egy olyan projektendolgoztam, ami erre a problémára kínál megoldást. A projekt célja egy melanóma bőrrákdetektáló demószoftver létrehozása, ami mesterséges intelligencia módszerekkel tudja segíteni adermatológus szakemberek munkáját.A szakdolgozatban ezután a mély neurális háló segítségével történő bőrrákdetektálómódszereket mutattam be. Előszőr ismertettem a mesterséges intelligencia tudomány alapjait, ésa neurális hálók elméletét. A neurális hálók alapjainak bemutatása után a konvolúciós neurálishálók működését részleteztem. A projekthez felhasznált, és a dolgozatban bemutatott Pythonkód a Google InceptionV3 nevű előre betanított konvolúciós hálóval csoportosítja a jóindulatú ésrosszindulatú anyajegy képeket, viszont a kapott eredményeknél jobbra számítottam. A ROCgörbe pontossági mutatója csak 0,67 lett, és a konfúziós mátrix alapján látható volt, hogy a modellaz esetek 26 százalékában jóindulatúnak ítélte a valójában rosszindulatú daganatról készültképeket. Ebben a szituációban egy ilyen magas hamis-negatív arány nem elfogadható, apontatlanságnak több oka is lehet.A felhasznált ISIC adathalmaz kiegyensúlyozatlan, ötször annyi jóindulatú kép van benne, mintrosszindulatú. A modell így nehezebben általánosít, von le következtetéseket. A tanítás sok időbetelik, ezért a különböző módszerekkel való kísérletezés is időigényes folyamat. Az anyajegyekmérete is befolyásolja az eredmények pontosságát. Minél kisebb egy anyajegy, annál kisebb azesélye annak, hogy a modell felismeri a rosszindulatú daganatra utaló jeleket. A két osztály(jóindulatú és rosszindulatú anyajegyek) képei között különbséget tenni nem olyan egyszerű, mintpéldául autók és kerékpárok képei között. A rosszindulatú daganat képeit gyakran még emberiszemmel is nehéz megkülönböztetni egy általános, veszélyt nem hordozó anyajegytől. A kevéskülönbség miatt a képek osztályozása rendkívül komplex feladat.Az általam bemutatott konvolúciós neurális háló a vártnál rosszabbul teljesített, de ettőlfüggetlenül ez a módszer hatékony lehet a modell további finomhangolásával és az előzőbekezdésben említett problémák kiküszöbölésével. A dolgozatban megemlített egyébkonvolúciós neurális hálók, a Kohonen féle önszerveződő neurális háló, és a GAN (GenerativeAdversarial Network) 80-95 százalékos pontosággal teljesítenek.A jelenlegi mesterséges intelligencia módszerekkel még nem lehet teljes mértékben pótolni adermatológus szakemberek munkáját, viszont a páciens átvizsgálásának folyamatát fel lehet velükgyorsítani. A mesterséges intelligencia segítségével történő inkrementális vizsgálat során gyors éspontos eredményeket lehet kapni.A mesterséges intelligencia módszerek segítségével gyorsan és viszonylag pontosan lehetfelismerni a bőrrákos megbetegedéseket, viszont fent áll a kérdés, hogy szabad-e a rendszerdöntésére hagyatkoznia a szakorvosoknak. Még nincs olyan modell, ami 100 százalékospontosággal tudjon dönteni, előfordulhat olyan szituáció, amiben a modell egészségesnek ítélegy valójában halálos betegséget hordozó pácienst. Fordított esetben nem ennyire aggasztó aszituáció, de az sem ideális, ha egy nem beteg pácienst bőrrákosnak ítél a modell. Felmerül akérdés, hogy a modell eredményeit milyen esetekben vizsgálja meg egy dermatológus szakemberis. Minél több képet vizsgál meg, annál nagyobb az esély arra, hogy kiszűrje az előző két szituációrosszul kategorizált képeit. Viszont, ha már túl sok képet kell az orvosnak átnéznie, akkorgyakorlatilag a mesterséges intelligencia rendszer már nem is gyorsítja fel a vizsgálat menetét. Haa folyamatot nem gyorsítja fel, akkor az a kérdés is felmerül, hogy érdemes-e pénzt költeni aszoftverre, további dermatológus szakemberek alkalmazása helyett. | |
| 695 | |a dermatológia | ||
| 695 | |a gépi tanulás | ||
| 695 | |a melanóma | ||
| 695 | |a mesterséges intelligencia | ||
| 695 | |a neurális hálózatok | ||
| 700 | 1 | |a Hua Nam Son |e ths | |
| 700 | 1 | |a Szalay Róbert |e ths | |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/41037/1/Nagy_%C3%81kos_Albert_XILCI4_szakdolgozat.pdf |z Dokumentum-elérés |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/41037/2/BA_O_Nagy_%C3%81kos_Albert_XILCI4.pdf |z Dokumentum-elérés |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/41037/3/Nagy_%C3%81kos_Albert_XILCI4_Melanoma_colab.zip |z Dokumentum-elérés |